本篇论文来自NeurIPS2025，最新前沿时序技术，文章提出了一个TransferTraj 模型，首次实现 “双迁移”，同时解决轨迹模型的区域迁移与任务迁移问题，无需为每个场景单独训练。

了解顶会最新技术，紧跟科研潮流，研究与写作才能保持在时代一线，最新126篇NeurIPS2025前沿时序合集（更新中）小时已经整理好了，在宫🀄蚝“时序大模型”发送“资料”添加回复“NeurIPS2025时序合集”即可自取~其他顶会时序合集也可以回复相关顶会名称自取哈~（AAAI25,ICLR25,ICML25等）

文章信息

论文名称：TransferTraj: A Vehicle Trajectory Learning Model for Region and Task Transferability

论文作者：Tonglong Wei,Yan Lin,Zeyu Zhou,Haomin Wen,Jilin Hu,Shengnan Guo,Youfang Lin,Gao Cong,Huaiyu Wan

研究背景

车辆 GPS 轨迹数据为智能交通系统的下游任务（如轨迹预测、轨迹恢复、行程时间估计）提供关键支撑，但现有轨迹学习模型存在两大核心问题：

• 区域迁移性差：不同区域的空间特征（地理尺度、POI 分布、路网结构）差异显著，导致车辆移动模式（转弯、加速、方向）不同，传统标准化方法（归一化、网格离散化）难以适配跨区域场景，模型无法直接复用。

• 任务迁移性弱：不同任务的输入输出结构与学习目标差异大（如轨迹预测关注时序关联，行程时间估计关注起终点 - 时间关联），现有嵌入类方法需为每个任务额外训练预测模块，增加计算与存储成本。

因此提出了TransferTraj 模型，以解决上述问题。

模型框架

TransferTraj 通过两大核心组件实现区域与任务双迁移性

（一）区域迁移轨迹编码器（RTTE）：解决区域迁移问题

RTTE 整合轨迹的四大模态（空间、时间、POI、路网），并通过两个关键模块适配跨区域空间差异：

轨迹模态融合（Trajectory Modality Mixing）

• 空间模态：计算轨迹点相对于起始点的相对坐标（而非绝对坐标），避免区域尺度偏差，再通过线性层编码为嵌入向量。

• 时间模态：将时间戳拆分为 “星期 / 小时 / 分钟 / 相对起始时间”，通过可学习傅里叶编码层转换为嵌入向量。

• POI 与路网模态：利用预训练文本嵌入模型编码 POI（名称、类型）与路网（名称、长度）的语义信息，通过均值池化与线性层统一维度。

• 最终通过 Transformer 与均值池化融合四大模态，得到轨迹点的统一嵌入向量。

轨迹相对信息提取（TRIE）：灵感源自 RoFormer，引入可学习时空旋转矩阵，将轨迹点的相对空间关系（如两点间距离）编码到注意力机制的 Query/Key 中，避免模型依赖特定区域的绝对空间特征，同时利用三角函数的连续性适配更长轨迹。

空间上下文混合专家（SC-MoE）

• 基于 “相似局部空间上下文对应相似移动模式” 的观察，设计多专家网络

• 每个专家网络（共 C 个）通过 MLP 学习特定空间上下文下的移动模式（如高密度 POI 区域的 “走走停停”、高速路网的 “匀速直线”）。

• 门控网络（带噪声 Top-K 机制）根据轨迹点的局部上下文（POI + 路网密度）动态选择适配的专家，实现跨区域移动模式的共享与区分。

轨迹模态预测器：通过线性层预测轨迹点的空间（相对坐标反推经纬度）与时间模态，采用 MSE 损失监督训练，确保模态融合的有效性。

（二）任务迁移输入输出方案：解决任务迁移问题

将所有生成式任务的输入输出结构统一为 “掩码 - 恢复” 范式，无需重新训练即可适配不同任务

模态掩码与恢复：对轨迹点的单一模态（如空间、时间）掩码，模型在输出端恢复该模态（如掩码时间模态用于行程时间估计）。

轨迹点掩码与恢复：用特殊 token掩码连续子轨迹点，模型在输出端恢复完整轨迹（如掩码未来点用于轨迹预测）。

预训练机制：预训练阶段随机组合两种掩码方式（子轨迹点全掩码 + 剩余点随机模态掩码），通过重建损失优化模型，使预训练后的模型可直接迁移至下游任务。

实验数据

数据集：三个真实车辆轨迹数据集（成都、西安、波尔图），涵盖不同地理尺度、POI / 路网密度与采样间隔

对比基线

• 轨迹预测：t2vec、Trembr、START、LightPath 等 7 种方法。

• 轨迹恢复：Linear、TrImpute、MM-STGED 等 7 种方法。

• 行程时间估计：RNE、TEMP、DOT 等 8 种方法。

评估指标

• 轨迹预测 / 恢复：RMSE（米）、MAE（米）。

• 行程时间估计：RMSE（分钟）、MAE（分钟）、MAPE（%）。

迁移场景：任务迁移、零样本区域迁移（无目标区域数据）、少样本区域迁移（仅 5k 目标区域数据）。

主要研究结果

（1）任务迁移性：预训练即可超越 SOTA

仅预训练（TransferTraj (wo ft)）在三大任务上较 SOTA 基线提升显著：

• 轨迹预测：较 START 提升 20.18%。

• 轨迹恢复：较 MM-STGED 提升 17.87%。

• 行程时间估计：较 DOT 提升 7.94%。

进一步微调后（TransferTraj）性能再提升 8.62%-13.59%，且无需修改模型结构

（2）区域迁移性：零样本 / 少样本场景优势显著

• 零样本迁移：在轨迹预测任务中，较 SOTA（START）平均提升 83.70%；行程时间估计任务中较 DOT 提升 10.88%。

• 少样本迁移：轨迹预测任务较 SOTA 提升 33.68%，轨迹恢复提升 18.08%，行程时间估计提升 13.07%。

（3）消融实验：关键模块不可或缺

• 移除 TRIE：轨迹预测 RMSE 上升 20.8%，验证相对空间信息的重要性。

• 移除 SC-MoE：行程时间估计 MAPE 上升 23.8%，证明多专家网络对移动模式捕捉的有效性。

• 移除 POI / 路网模态：性能均有下降，验证语义上下文对跨区域适配的作用。

（4）效率优势

TransferTraj 模型大小（3.64-3.83MB）远小于 START（15.03-17.81MB）、LightPath（12.51-13.90MB），训练 / 测试时间仅为 SOTA 方法的 1/3-1/10，且预训练后无需重复训练。

小小总结

文章首次实现 “双迁移”，同时解决轨迹模型的区域迁移与任务迁移问题，无需为每个场景单独训练；创新 RTTE 模块，通过多模态融合、TRIE 相对信息提取、SC-MoE 上下文适配，有效处理区域空间差异；统一任务范式，用 “掩码 - 恢复” 统一任务输入输出，结合预训练实现 “一次训练、多任务复用”，显著降低计算与存储成本。

关注小时，持续学习前沿时序技术！